Raster veri, coğrafi alanı eşit büyüklükteki hücrelere (piksel) bölerek temsil eden bir veri modelidir. Her piksel bir sayısal değer taşır; bu değer yükseklik, sıcaklık, uydu reflektansı veya arazi örtüsü sınıfı olabilir. Uydu görüntüleri, sayısal yükseklik modelleri (DEM), sıcaklık haritaları ve yağış verileri raster formatında depolanır. En yaygın raster dosya formatı GeoTIFF'tir.

Vektör ve raster veri arasındaki temel fark nedir?

Vektör veri, noktalar, çizgiler ve poligonlarla temsil edilen geometrik nesnelerden oluşur; yollar, il sınırları ve binalar gibi keskin sınırlı ayrık nesneler için uygundur. Raster veri ise düzenli ızgara hücreleri (piksel) üzerinde değerleri depolar; uydu görüntüleri, yükseklik modelleri ve sıcaklık haritaları gibi sürekli yüzeyler için idealdir. Vektör daha küçük dosya boyutu ve güçlü öznitelik sorgulaması sunarken, raster uzaktan algılama ve sürekli alan analizi için zorunludur.

Shapefile yerine neden GeoPackage kullanmalıyım?

Shapefile'ın başlıca kısıtları şunlardır: alan adları maksimum 10 karakter, dosya boyutu 2 GB ile sınırlı, Unicode karakter desteği zayıf ve her katman için birden fazla dosya gerekir. GeoPackage (.gpkg) ise OGC standardı olan SQLite tabanlı tek dosyalı modern bir formattır; hem vektör hem raster verileri destekler, boyut sınırı yoktur, Unicode tam desteklenir ve birden fazla katman bir arada depolanabilir. QGIS ve ArcGIS Pro, GeoPackage'ı tam destekler.

Koordinat Referans Sistemi (CRS) nedir, Türkiye için hangisi kullanılmalı?

Koordinat Referans Sistemi (CRS), coğrafi verilerin gerçek dünya koordinatlarına nasıl bağlandığını tanımlar. Türkiye'de yaygın kullanılan CRS'ler: WGS84 (EPSG:4326) GPS ve GeoJSON için standart; Web Mercator (EPSG:3857) web haritaları için; UTM Zone 35N (EPSG:32635) Batı Türkiye'de metrik analizler için; UTM Zone 36N (EPSG:32636) Doğu ve Orta Türkiye için. Kadastral çalışmalarda ITRF96 tabanlı koordinat sistemi kullanılır.

🗺️ CBS Temelleri

Raster Veri Nedir? Vektör ve Raster Mekansal Veri Türleri Kapsamlı Rehber

📅 Güncellendi: 5 Temmuz 2026 ⏱️ 22 dk okuma 🗺️ CBS Temelleri

Coğrafi Bilgi Sistemleri'nde (CBS) her analiz bir veri modeliyle başlar. Gerçek dünyayı bilgisayarda temsil etmek için iki temel yaklaşım kullanılır: vektör ve raster. Bu iki modelin hangisinde çalışacağınızı bilmek, analiz hızını, dosya boyutunu, kullanılacak araçları ve sonuçların kalitesini doğrudan belirler. Bu kapsamlı rehberde her iki modeli matematiksel temelinden öğrenecek, dosya formatlarını karşılaştıracak, koordinat referans sistemlerini anlayacak ve Python ile QGIS'te pratik uygulamalar yapacaksınız.

1. Vektör Veri Modeli

Vektör model, coğrafi nesneleri matematiksel koordinatlarla tanımlar. Gerçek dünyadaki nesneler sonsuz hassasiyetle temsil edilebilir — bir yol çizgisi ne kadar yakınlaştırırsanız yakınlaştırın pikselleşmez. Üç temel geometri tipi ve bunların çoklu (multi) varyantları vardır:

Geometri Tipi	Açıklama	Gerçek Dünya Örnekleri
Nokta (Point)	Tek bir (x, y) koordinatı; bazen z (yükseklik) ve m (ölçü) eksenli	Deprem episantırları, ATM'ler, meteoroloji istasyonları, suç olayları
MultiPoint	Birden fazla nokta, tek feature olarak	Aynı kurumun farklı şubeleri
Çizgi (LineString)	Birbirine bağlı koordinat dizisi; başlangıç ≠ bitiş	Yollar, nehirler, boru hatları, demiryolu
MultiLineString	Bağlantısız çizgi parçaları, tek feature	Bir nehrin birden fazla kolu
Çokgen (Polygon)	Kapalı alan; başlangıç = bitiş, delik içerebilir	İl sınırları, orman alanları, binalar, göller
MultiPolygon	Birden fazla poligon, tek feature	Bir ilin ada/bölge parçaları

Şekil 1. Üç temel vektör geometri tipi. Her nokta matematiksel koordinatlarla tanımlanır; ölçekten bağımsız olarak sonsuz hassasiyetle temsil edilir.

Vektör verinin gücü: Her geometrik nesne (feature) kendi öznitelik tablosunu taşır. Bir il sınırı çokgeni; il adı, nüfus, yüzölçümü, GSYİH gibi onlarca sütun içerebilir. Bu özellikler SQL benzeri sorgulama, filtreleme ve istatistiksel analize doğrudan olanak tanır: SELECT * FROM iller WHERE nufus > 1000000

2. Vektör Dosya Formatları

Shapefile — Eski Standart, Yeni Sorunlar

Shapefile, 1990'larda ESRI tarafından geliştirilen ve hâlâ en yaygın kullanılan vektör formatıdır. Her katman için zorunlu olarak birden fazla dosya gerekir: geometriler .shp'de, öznitelikler .dbf'de, indeks .shx'te, projeksiyon bilgisi .prj'de ayrı ayrı saklanır.

Shapefile'ın bilinen kısıtlamaları: Alan adları maksimum 10 karakter (türkçe "yerlesim_yeri_adi" değil, "yer_adi" yazmak zorunda kalırsınız), dosya boyutu 2 GB ile sınırlı, Unicode/Türkçe karakter desteği zayıf (özel kodlama gerekir), tarih/saat türü tam desteklenmez, NULL ile sıfır değeri ayrımı yoktur. Yeni projelerde GeoPackage veya GeoJSON tercih edin.

Modern Formatlar Karşılaştırması

Format	Uzantı	Temel Özellik	En İyi Kullanım
Shapefile	.shp / .dbf / .shx	Geriye dönük uyumluluk, evrensel destek	Eski sistemlerle veri paylaşımı
GeoJSON	.geojson / .json	JSON tabanlı, okunabilir, web uyumlu	Web API, Leaflet/Mapbox entegrasyonu
GeoPackage	.gpkg	SQLite tabanlı, tek dosya, OGC standardı; vektör+raster+stil	Genel amaçlı modern alternatif, masaüstü CBS
FlatGeobuf	.fgb	Binary, column-oriented; çok hızlı okuma	Büyük veri seti, akış (streaming)
GeoArrow / Parquet	.parquet	Apache Arrow tabanlı; analitik iş yükleri	Python/DuckDB veri bilimi iş akışları
KML/KMZ	.kml / .kmz	Google Earth formatı	Görselleştirme, sunum, Google Earth
PostGIS	— (veritabanı)	PostgreSQL uzantısı, sunucu taraflı mekansal DB	Büyük ölçekli multi-user CBS projeleri
PMTiles	.pmtiles	Tek dosyalı vektör tile arşivi	Statik hosting'te interaktif harita

3. Raster Veri Nedir?

Raster veri, coğrafi alanı eşit büyüklükteki hücrelere (piksel) bölerek temsil eder. Her piksel tek bir sayısal değer taşır. Bu değer yükseklik (m), sıcaklık (°C), uydu reflektansı (0–10000), arazi örtüsü sınıfı (1=orman, 2=tarım…) veya herhangi bir ölçülebilir büyüklük olabilir.

Temel Kavramlar

Piksel boyutu / Mekansal Çözünürlük: Bir hücrenin gerçekte kapladığı alan. 10 m çözünürlüklü raster → her piksel = 10×10 m kare. Sentinel-2: 10/20/60 m, Landsat-8: 30 m, SRTM DEM: 30 m, ASTER DEM: 30 m, Maxar WorldView: 0.3 m.
Bant (Band): Raster katmanı. Uydu görüntüsü Kırmızı, Yeşil, Mavi, Yakın Kızılötesi gibi çok bantlı olabilir. Gri tonlamalı DEM tek bantlıdır.
Bit Derinliği: Piksel başına depolanan bit sayısı. 8-bit → 0–255 arası 256 değer; 16-bit → 0–65535; Float32 → kesirli sayılar (yükseklik, sıcaklık için). Uydu reflektans verileri genellikle 16-bit Int veya Float32 olarak kaydedilir.
NoData: Verinin bulunmadığı hücreler için özel değer. Genellikle -9999, 0, 255 veya NaN. Analizde NoData pikseller otomatik dışarıda bırakılır; yanlış NoData tanımı analizi ciddi biçimde bozabilir.
Extent (Kapsama Alanı): Rasterın kapladığı coğrafi dikdörtgen (minX, minY, maxX, maxY).
Origin (Orijin): Sol üst köşenin koordinatları; piksel büyüklüğü negatif y bileşenine sahiptir (y yukarıdan aşağı artar).

Şekil 2. Sol: Her piksel tek bir sayısal değer taşır (burada yükseklik, m); gri hücreler NoData. Sağ: Çok bantlı uydu görüntüsünde her bant farklı dalga boyunu temsil eder; bantlar üst üste yığılarak renk görüntüsü oluşturulur.

4. Raster Dosya Formatları ve COG

Format	Uzantı	Özellik	Kullanım
GeoTIFF	.tif	De facto standart; coğrafi metadata içinde gömülü; rasterio, GDAL, QGIS tam destek	Neredeyse her CBS uygulaması
Cloud Optimized GeoTIFF (COG)	.tif	GeoTIFF'in bulut için optimize edilmiş hali; iç overviews ve tiling; HTTP range request ile kısmi okuma	AWS S3, Google Cloud Storage'da büyük raster arşivleri
NetCDF	.nc	Çok boyutlu diziler (enlem × boylam × zaman × parametre); CF convention uyumlu	İklim modeli çıktıları, ERA5, CMIP6, okyanus verileri
HDF5 / HDF4	.h5 / .hdf	Hiyerarşik veri yapısı; NASA/ESA uydu ürünleri (MODIS, VIIRS, GEDI)	NASA Earthdata arşivleri
JPEG2000	.jp2	Wavelet sıkıştırma; kayıplı veya kayıpsız; büyük uydu arşivlerinde dosya boyutu avantajı	Sentinel-2 L1C çıktıları
ASCII Grid (ESRI)	.asc	Düz metin formatı; satır/sütun değerleri; insan tarafından okunabilir	Küçük rasterlar, basit analiz, legacy sistemler
GeoPackage (raster)	.gpkg	SQLite içinde raster; vektör + raster birlikte tek dosyada	Karma projeler

Cloud Optimized GeoTIFF (COG) nedir? Standart GeoTIFF'te tüm dosyayı indirmeniz gerekir. COG'da dosya içi tile yapısı ve HTTP Range Request sayesinde yalnızca ilgilendiğiniz coğrafi bölgeyi ve zoom seviyesini indirirsiniz. Google Earth Engine, AWS Open Data ve USGS'in büyük uydu arşivleri COG formatında yayınlanmaktadır. rio cogeo validate dosya.tif ile mevcut bir GeoTIFF'in COG olup olmadığını kontrol edebilirsiniz.

5. Vektör vs Raster: Kapsamlı Karşılaştırma

Kriter	Vektör	Raster
Temsil şekli	Matematiksel geometriler (nokta, çizgi, çokgen)	Piksel ızgarası (matris)
Dosya boyutu	Genellikle küçük (sadece geometri + öznitelik)	Büyük (tüm alan her piksel için değer içerir)
Ölçek hassasiyeti	Ölçekten bağımsız, sonsuz hassasiyet	Piksel boyutuna bağlı; büyütüldüğünde pikselleşir
Sürekli yüzey	Zayıf (interpolasyon gerekir)	Doğal ve güçlü (DEM, sıcaklık, yağış)
Öznitelik sorgulama	Çok güçlü (SQL benzeri)	Sınırlı (sadece piksel değeri bazlı)
Uzaktan algılama	Uygun değil	Temel format (uydu görüntüsü, hava fotoğrafı)
Ağ analizi	İdeal (yol ağı, servis alanı)	Uygun değil
Alan & çevre ölçümü	Matematiksel hassasiyet	Piksel sayımına dayalı yaklaşık
Görünürlük analizi (viewshed)	Uygun değil	DEM tabanlı, çok güçlü
Raster hesaplama (band math)	Uygulanamaz	NDVI, NDWI, eğim, bakı hesabı
Web harita entegrasyonu	Kolay (GeoJSON, tile)	Tile sunucusu gerekir (COG, XYZ tiles)
Topoloji	Tutulabilir ve doğrulanabilir	Yoktur

🔷 Vektör kullanın, eğer…

Ayrık nesnelerle çalışıyorsanız (yollar, binalar, sınırlar)
Öznitelik tabanlı sorgulama yapacaksanız
Ağ analizi (en kısa yol, servis alanı) gerekiyorsa
Web haritasına GeoJSON katmanı ekleyecekseniz
Alanları kesin olarak ölçmeniz gerekiyorsa
Topolojik ilişkiler (komşuluk, içerme) önemliyse

🟩 Raster kullanın, eğer…

Uydu veya hava görüntüsü analiz edecekseniz
DEM, eğim, bakı, su havzası hesaplayacaksanız
NDVI, NDWI gibi spektral indeks üretecekseniz
Sıcaklık, yağış, NDVI sürekli alan verisi kullanıyorsanız
Arazi sınıflandırması yapacaksanız
Görünürlük (viewshed) analizi gerekiyorsa

6. Koordinat Referans Sistemi (CRS)

Hem vektör hem raster verinin doğru coğrafi konumlanması için CRS zorunludur. Yanlış CRS veya dönüşüm hatası, katmanları birbirinden yüzlerce metre veya kilometrelerce ileriye kaydırabilir.

Datum ve Elipsoid

Dünya yuvarlak ama mükemmel küre değil; elipsoid şeklindedir. Datum, elipsoidin Dünya'ya nasıl oturtulduğunu tanımlar. En yaygın global datum WGS84'tür — GPS, Google Maps ve tüm modern veri kaynakları bunu kullanır. Türkiye'de tarihi kadastral veriler ED50 datumunu kullanır; fark bölgeye göre 50–100 m olabilir.

Coğrafi Koordinat Sistemi vs Projeksiyon

Coğrafi CS (EPSG:4326 gibi): Koordinatlar enlem/boylam (derece) cinsinden. Mesafe ve alan ölçümleri derece cinsinden olduğu için analiz için doğrudan kullanılamaz.
Projeksiyon: Küresel yüzeyin düz bir düzleme aktarılması. Koordinatlar genellikle metre cinsinden; mesafe ve alan ölçümleri doğru yapılabilir.

Şekil 3. Coğrafi koordinat sistemi enlem/boylam (derece) kullanır; mesafe ölçümü için elverişsizdir. Projeksiyon ise küresel yüzeyi düz düzleme aktararak metre cinsinden doğru alan ve mesafe ölçümü sağlar.

Türkiye İçin CRS Referans Tablosu

CRS	EPSG	Birim	Kullanım Alanı
WGS84	4326	Derece	GPS, GeoJSON, web servisleri, veri paylaşımı
Web Mercator	3857	Metre	Google Maps, OpenStreetMap, Leaflet arka plan
UTM Zone 35N	32635	Metre	Batı Türkiye (İstanbul, İzmir, Bursa)
UTM Zone 36N	32636	Metre	Orta ve Doğu Türkiye (Ankara, Konya, Diyarbakır)
UTM Zone 37N	32637	Metre	Çok Doğu Türkiye (Ağrı, Van)
TUREF / TM35	5253	Metre	TKGM kadastro, resmi haritacılık (ITRF96 tabanlı)
ED50 / UTM	23035	Metre	Eski harita ve kadastro verileri

CRS karışıklığı — sık yapılan hata: Tüm katmanlar aynı CRS'te olmalıdır, aksi hâlde çakışma analizleri yanıltıcı sonuç verir. QGIS "Anında Yansıtma" (on-the-fly reprojection) özelliği katmanları ekranda doğru gösterir ama analiz sırasında CRS uyuşmazlığı hata verebilir. Proje CRS'ini ayarlayın ve tüm analiz katmanlarını aynı CRS'e yansıtın.

7. Temel Vektör Veri Operasyonları

Operasyon	Açıklama	Pratik Örnek
Buffer	Geometri çevresinde belirli mesafede tampon alan oluşturur	Okul çevresinde 500 m güvenlik bölgesi
Dissolve	Ortak özniteliğe göre geometrileri birleştirir	İlçeleri il bazında birleştirme
Clip	Bir katmanı başka bir katmanın sınırlarıyla keser	Orman katmanını çalışma alanıyla kırpma
Intersect	İki katmanın kesişim alanı + her iki katmanın öznitelikleri	Arazi kullanımı × il sınırı → her ilin arazi dağılımı
Union	İki katmanın tümünü birleştirir, kesişimde her ikisinin öznitelikleri	Farklı yılların sınır değişimlerini analiz etme
Spatial Join	Konumsal ilişkiye göre öznitelik tablosu birleştirme	Her noktaya ait il adını ekleme
Voronoi / Thiessen	Her noktanın en yakın olduğu alanı çokgen olarak oluşturur	İstasyon etki alanları
Convex Hull	Nokta kümesini çevreleyen minimum dışbükey çokgen	Türlerin dağılım alanı tahmini

8. Raster Veri Operasyonları ve NDVI

Raster Hesap Makinesi (Band Math)

Raster katmanları üzerinde piksel bazında matematiksel işlemler yapılabilir. En yaygın kullanımı spektral indeks hesabıdır:

İndeks	Formül	Neyi Ölçer?
NDVI	(NIR − Kırmızı) / (NIR + Kırmızı)	Bitki örtüsü yoğunluğu: −1 ile +1 arası; >0.2 vejetasyon
NDWI	(Yeşil − NIR) / (Yeşil + NIR)	Su kütlesi tespiti; >0 su yüzeyi
NDBI	(SWIR − NIR) / (SWIR + NIR)	Yapılı alan / kentsel yüzey
BSI	(SWIR + Kırmızı) − (NIR + Mavi) / toplam	Çıplak toprak alanları
EVI	2.5 × (NIR−R) / (NIR + 6R − 7.5B + 1)	NDVI'ya göre atmosferik etkiye daha az duyarlı

DEM Türetilen Ürünler

Eğim (Slope): Her pikselin yüzde veya derece cinsinden eğimi; heyelan, tarım, ulaşım analizlerinde kullanılır.
Bakı (Aspect): Eğimin yöneldiği azimut (0–360°); güneş ışınımı ve mikroklima analizlerinde kritik.
Hillshade: Belirli güneş açısında gölgeleme haritası; topografik görselleştirme.
Topoğrafik Islak Endeksi (TWI): Biriktirme alanı / eğim; su toplama potansiyeli.
Su Havzası (Watershed): Akış yönü rasterından havza sınırları türetme.
Görünürlük (Viewshed): Belirli bir noktadan görülebilen alan.

9. Python ile Kapsamlı Uygulama

Kurulum

pip install geopandas rasterio numpy scipy matplotlib shapely pyproj

Vektör — GeoPandas ile Temel Operasyonlar

import geopandas as gpd
from shapely.geometry import box

# Shapefile okuma
iller = gpd.read_file("turkiye_iller.shp")
print(iller.crs)              # projeksiyon bilgisi
print(iller.columns.tolist()) # öznitelik sütunları
print(iller.dtypes)

# CRS dönüşümü: WGS84 → UTM 36N (Türkiye için metre cinsinden)
iller_utm = iller.to_crs("EPSG:32636")

# Alan hesabı (km²)
iller_utm['alan_km2'] = iller_utm.geometry.area / 1e6

# Büyükşehirleri filtrele
buyuksehirler = iller[iller['nufus'] > 1_000_000].copy()

# Buffer: büyükşehirler etrafında 50 km tampon (UTM'de metre cinsinden)
buyuksehir_buffer = buyuksehirler.to_crs("EPSG:32636")
buyuksehir_buffer['geometry'] = buyuksehir_buffer.geometry.buffer(50_000)  # 50 km

# Dissolve: illeri bölgelere göre birleştir
bolgeler = iller.dissolve(by='bolge', aggfunc={'nufus': 'sum', 'alan_km2': 'sum'})

# Clip: orman katmanını çalışma alanıyla kırp
calisma_alani = gpd.GeoDataFrame(geometry=[box(28, 36, 40, 42)], crs="EPSG:4326")
ormanlar = gpd.read_file("ormanlar.gpkg")
kırpılmış = gpd.clip(ormanlar, calisma_alani)

# Spatial Join: hangi il içinde olduğunu bul
noktalar = gpd.read_file("deprem_noktalari.gpkg")
noktalar_il = noktalar.sjoin(iller[['il_adi', 'geometry']], how='left', predicate='within')

# Format dönüşümleri
iller.to_file("turkiye_iller.geojson", driver="GeoJSON")
iller.to_file("turkiye.gpkg", layer="iller", driver="GPKG")

Raster — Rasterio ile Kapsamlı İş Akışı

import rasterio
import numpy as np
from rasterio.transform import from_bounds
from rasterio.crs import CRS
from rasterio.warp import calculate_default_transform, reproject, Resampling
from rasterio.mask import mask

# ---- Raster okuma ----
with rasterio.open("sentinel2.tif") as src:
    print(f"CRS: {src.crs}")
    print(f"Çözünürlük: {src.res} metre")
    print(f"Bant sayısı: {src.count}")
    print(f"Boyut: {src.width} x {src.height} piksel")
    print(f"NoData: {src.nodata}")

    red = src.read(3).astype('float32')  # Bant 3: Kırmızı (Sentinel-2)
    nir = src.read(8).astype('float32')  # Bant 8: NIR
    profile = src.profile

# ---- NDVI hesabı ----
import numpy as np
np.seterr(divide='ignore', invalid='ignore')

ndvi = np.where(
    (nir + red) == 0,
    np.nan,
    (nir - red) / (nir + red)
)
print(f"NDVI min: {np.nanmin(ndvi):.3f}, max: {np.nanmax(ndvi):.3f}, ortalama: {np.nanmean(ndvi):.3f}")

# ---- NDVI'yi GeoTIFF olarak kaydet ----
ndvi_profile = profile.copy()
ndvi_profile.update(count=1, dtype=rasterio.float32, compress='lzw')

with rasterio.open("ndvi.tif", "w", **ndvi_profile) as dst:
    dst.write(ndvi[np.newaxis, :, :])

# ---- CRS dönüşümü (Reprojection) ----
dst_crs = 'EPSG:32636'  # UTM Zone 36N

with rasterio.open("ndvi.tif") as src:
    transform, width, height = calculate_default_transform(
        src.crs, dst_crs, src.width, src.height, *src.bounds
    )
    kwargs = src.profile.copy()
    kwargs.update(crs=dst_crs, transform=transform, width=width, height=height)

    with rasterio.open("ndvi_utm.tif", 'w', **kwargs) as dst:
        reproject(
            source=rasterio.band(src, 1),
            destination=rasterio.band(dst, 1),
            src_transform=src.transform,
            src_crs=src.crs,
            dst_transform=transform,
            dst_crs=dst_crs,
            resampling=Resampling.bilinear
        )

# ---- Vektörle maskeleme (clip to polygon) ----
import geopandas as gpd
from shapely.geometry import mapping

il_siniri = gpd.read_file("istanbul.gpkg").to_crs("EPSG:32636")
geometries = [mapping(geom) for geom in il_siniri.geometry]

with rasterio.open("ndvi_utm.tif") as src:
    out_image, out_transform = mask(src, geometries, crop=True)
    out_profile = src.profile.copy()
    out_profile.update(height=out_image.shape[1], width=out_image.shape[2], transform=out_transform)

with rasterio.open("ndvi_istanbul.tif", "w", **out_profile) as dst:
    dst.write(out_image)

Zonal Statistics — Vektör Bölgelerinde Raster Ortalama

# pip install rasterstats
from rasterstats import zonal_stats

# Her il için ortalama NDVI hesapla
stats = zonal_stats(
    "turkiye_iller.gpkg",
    "ndvi_utm.tif",
    stats=["mean", "min", "max", "std"],
    nodata=np.nan
)

iller_ndvi = iller.copy()
iller_ndvi['ndvi_ort'] = [s['mean'] for s in stats]
iller_ndvi.sort_values('ndvi_ort', ascending=False).head(5)

10. QGIS ile Adım Adım

Shapefile'ı GeoPackage'a Dönüştürme

Katmana sağ tık → Dışa Aktar (Export) → Özellik Olarak Kaydet…
Format: GeoPackage
Dosya adı: proje.gpkg
CRS: EPSG:32636 (UTM Zone 36N)
→ Tamam

Raster CRS Dönüşümü (Reprojection)

Üst menü: Raster → Yansıtmalar → Dönüştür (Yansıt)…
Girdi katmanı: GeoTIFF dosyanız
Kaynak CRS: EPSG:4326 (veya Otomatik)
Hedef CRS: EPSG:32636
Yeniden örnekleme yöntemi: Bilinear (sürekli veri için) veya Nearest Neighbour (kategorik)
→ Çalıştır

NDVI Hesabı — Raster Hesap Makinesi

Üst menü: Raster → Raster Hesap Makinesi…
İfade: ( "sentinel2@8" - "sentinel2@3" ) / ( "sentinel2@8" + "sentinel2@3" )
(Sentinel-2'de Bant 8 = NIR, Bant 3 = Kırmızı)
Çıktı katmanı: ndvi.tif
→ Tamam

Zonal Statistics (Bölgesel İstatistik)

İşleme Araçları → Ara: "bölgesel istatistikler"
→ Raster Katman İstatistikleri (Bölgelere Göre)
Vektör katmanı: turkiye_iller.gpkg
Raster katmanı: ndvi.tif
İstatistikler: Ortalama, Minimum, Maksimum, Std. Sapma
→ Çalıştır → Sonuç öznitelik tablosuna eklenir

11. Diğer Mekansal Veri Modelleri

TIN (Triangulated Irregular Network)

Düzensiz üçgen ağı; DEM'den daha az düğüm noktasıyla pürüzsüz yüzey modelini temsil eder. Arazi analizi ve 3B modelleme yazılımlarında (ArcScene, QGIS 3D) kullanılır. Eğim ve bakı hesapları piksel bazlı raster DEM'e göre daha pürüzsüz sonuç verir.

Hexagonal Grid (H3)

Uber tarafından geliştirilen H3 sistemi, dünyayı hiyerarşik altıgen ızgaralara böler. Her altıgen eşit alana yakın; kenar komşuluğu eşit mesafede. Kentsel mobilite, suç analizi ve perakende yoğunluk haritaları için standart hale gelmektedir. Python: h3-py kütüphanesi.

LiDAR / Nokta Bulutu (Point Cloud)

Lazer tarama verileri (LiDAR — Light Detection And Ranging) milyonlarca 3B noktadan oluşur. Her noktanın x, y, z koordinatı ve dönüş yoğunluğu vardır. Bina çatısı, ağaç örtüsü, tünel, yüzey modeli üretmek için kullanılır. Dosya formatları: LAS (.las), LAZ (.laz — sıkıştırılmış), COPC (Cloud Optimized Point Cloud). Python: laspy, pdal.

3D Mesh ve CityGML

Kentsel 3B modeller için CityGML (OGC standardı) veya 3D Tiles (Cesium) kullanılır. LOD0–LOD4 arasında değişen ayrıntı düzeyleri: LOD2 çatı şekilleri dahil bina modeli, LOD3 kapı ve pencere detayları. Türkiye'de bazı belediyeler CityGML'de binalar yayınlamaktadır.

12. Format Seçim Rehberi

Senaryo	Önerilen Format	Neden?
Yeni masaüstü CBS projesi	GeoPackage (.gpkg)	Tek dosya, çok katman, Shapefile kısıtları yok
Web harita API'si / Leaflet	GeoJSON	Tarayıcı native desteği, insan okunabilir
Büyük vektör veri seti (>50 MB)	FlatGeobuf veya Parquet	Akış okuma, sütun odaklı hız
Eski sistemle uyumluluk	Shapefile	Evrensel destek; yeni proje için önermiyoruz
Yeni raster analiz	GeoTIFF (LZW sıkıştırma)	Evrensel destek, iyi sıkıştırma
Bulut/S3 raster yayını	Cloud Optimized GeoTIFF	HTTP range request, kısmi okuma
İklim / zaman serisi verisi	NetCDF (.nc)	Çok boyutlu (lat × lon × zaman × parametre)
NASA/ESA uydu ürünleri	HDF5 (.h5/.hdf)	MODIS, VIIRS, GEDI veri arşivleri
LiDAR nokta bulutu	LAZ (.laz)	LAS'ın sıkıştırılmış hali; ~85% daha küçük
Python veri bilimi iş akışı	GeoParquet	DuckDB, Pandas, Arrow ile hızlı analiz

13. Yaygın Hatalar

CRS belirtmeden analiz yapmak: Her katmanın CRS'i olmalıdır; atanmamış CRS farklı bir CRS gibi yorumlanabilir. gdf.crs ile kontrol edin, gerekirse gdf = gdf.set_crs("EPSG:4326") atayın.
Derece birimli CRS'te mesafe/alan ölçmek: EPSG:4326'da buffer ve alan hesabı anlamlı sonuç vermez. Metre birimli UTM'e dönüştürün.
Shapefile'da 10 karakter alan adı kısıtı: "il_kodu_tum" 12 karakter — Shapefile'da "il_kodu_" olarak kaydedilir ve veri kaybolabilir. GeoPackage kullanın.
NoData değerini dikkate almamak: Yanlış NoData tanımı (örn. -9999 yerine 0) tüm analiz hesaplamalarını bozar. src.nodata değerini kontrol edin.
Orijinal çözünürlükten yüksek çözünürlükte yeniden örneklemek: 30 m DEM'i 5 m'ye resample etmek sahte hassasiyet yaratır; gerçek bilgi 30 m'de kalır.
Kodlamayı belirtmeden Shapefile okumak: Türkçe karakterler için encoding='utf-8' veya 'latin1' belirtilmezse bozuk karakterler görünür.
Tüm veriyi RAM'e yüklemek: Büyük rasterları src.read() ile tamamen yüklemek yerine windowed reading kullanın.

CBS Veri Analizi Projenizde Profesyonel Destek

Vektör ve raster veri işleme, mekansal analiz ve CBS projelerinizde uzman kadromuzdan destek alın.

Ücretsiz Danışmanlık Alın

Kaynaklar

Longley, P. A. ve ark. (2015). Geographic Information Science and Systems (4. Baskı). Wiley.
GDAL/OGR — Vector / Raster Drivers: gdal.org
OGC GeoPackage Standardı: geopackage.org
EPSG Geodetic Registry: epsg.io
Cloud Optimized GeoTIFF: cogeo.org
Rasterio Dokümantasyonu: rasterio.readthedocs.io
GeoPandas Dokümantasyonu: geopandas.org